ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL

Presentación del tema: "ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL"— Transcripción de la presentación:

1 ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL
Facultad de Ingeniería en Electricidad y Computación “Identificación y diseño del controlador para un sistema regulador de Temperatura dentro de un horno industrial de resistencia” Sustentación de Tesina de seminario Previo a la obtención del Título de: INGENIERO EN ELECTRICIDAD ESPECIALIZACIÓN ELECTRÓNICA Y AUTOMATIZACIÓN INDUSTRIAL INGENIERO EN ELECTRÓNICA Y TELECOMUNICACIONES

2 Integrantes Víctor Hugo Guarochico Moreira
Mery Stefanía Morán Alvarado

3 Introducción El objetivo de todo proceso industrial es la obtención de un producto final que cumpla con las especificaciones y niveles de calidad. Las propiedades del producto pueden ser posibles gracias a un control de las condiciones de operación. El sistema de control permite realizar el proceso de una manera mas sencilla y fiable.

4 Cont. Al momento de diseñar un sistema de control es indispensable conocer y entender la dinámica de la planta. Una de las etapas transcendentales en el diseño de la planta es la identificación de la misma, porque con ésta el modelo tendrá el comportamiento exacto del proceso.

5 Objetivos Aplicar conocimientos adquiridos a los largo de la carrera y del seminario. Demostrar la validez, utilidad y conveniencia de la técnica de identificación de sistemas aplicada a un proceso real. Aplicar técnicas para modelamiento y simulación de un sistema dinámico, mediante MATLAB. Diseñar un controlador para el modelo identificado, y aplicarlo al modelo matemático, tal como si fuera la planta real.

6 Identificación de sistemas (caja negra)
Se trata de un método experimental que permite obtener el modelo de un sistema a partir de datos reales recogidos de la planta bajo estudio. “Identificación es la determinación, en base a la entrada y la salida, de un sistema, dentro de una clase de sistemas especificada, al cual el sistema probado es equivalente” (Lofti Zadeh – 1962).

7 El proceso de identificación
Obtención de datos de entrada - salida. Tratamiento previo de los datos registrados. Elección de la estructura del modelo. Obtención de los parámetros del modelo. Validación del modelo.

8 Métodos de Identificación
Métodos no Paramétricos. Métodos Paramétricos.

9 Métodos no Paramétricos
Identificación no Paramétrica en el dominio del tiempo (respuesta al escalón o al impulso). Identificación no Paramétrica en el dominio de la frecuencia.

10 Métodos Paramétricos Quedan descritos mediante una estructura y un número finito de parámetros que relacionan las señales de interés del sistema (entradas, salidas y perturbaciones).

11 Tipos de Modelos Paramétricos

12 Diagrama de Modelos Paramétricos

13 Problemática Uno de los problemas al que nos enfrentamos al realizar la identificación de sistemas a nuestro proceso es la limitante de no poder aplicar señales de entrada y registrar los datos de las salidas. Debido a este inconveniente se usará un modelamiento matemático virtual.

14 Ventajas del modelado en la identificación.
Predecir el comportamiento del sistema y poder hacer cambios al mismo sin que tenga que experimentarse físicamente sobre él.

15 Modelamiento matemático de procesos.
Para modelar un sistema de control se debe describir por medio de ecuaciones matemáticas la relación de la variable de salida, variable que se desea controlar, con la entrada del sistema.

16 Diagrama del proceso Bosquejo general de la planta

17 Simplificación de la planta real para el modelado

18 Modelo matemático de la planta
La condición de equilibrio de los sistemas térmicos establece que:

19 Consideraciones generales de la dinámica del sistema.
Potencia de Entrada. En total consumirán 36 kW y éste valor es el que se considera como la entrada al modelo matemático.

20 Consideraciones generales de la dinámica del sistema.
Potencia de Salida. Se le suministra a la carga dentro del horno. Por la estructura del conjunto núcleo bobina, podemos aproximar la relación de los volúmenes del cobre y del hierro a:

21 Cont. Por lo tanto para hallar la masa del cobre y del hierro utilizamos lo siguiente:

22 Cont. : Cantidad de calor absorbido por la carga en Joules(J).
De modo que el calor transferido a la carga será: donde: : Cantidad de calor absorbido por la carga en Joules(J). : Número de transformadores. : Masa del cobre del conjunto en kilogramos (kg). : Calor específico del cobre (J/kg°C). : Masa del hierro del conjunto en kilogramos (kg). : Calor específico del hierro (J/kg°C). : Cambio en la temperatura de la carga.

23 Perdidas del Sistema Transferencia de calor hacia las paredes.
Es una medición del calor que fluye a través de las paredes del espacio refrigerado del exterior hacia el interior.

24 Cont. donde: : Área de la superficie por la cual se efectúa la transferencia de calor (m2). : Conductividad térmica en ( ). : Espesor de la superficie (m). : Temperatura del horno en °C. : Temperatura exterior en °C (se asume constante). : Potencia transferida desde el interior del horno al exterior.

25 Cont. La constante térmica depende de la temperatura según la siguiente expresión: Por lo que la potencia pérdida será:

26 Modelamiento de la planta.
Potencia Acumulada en el Sistema. Potencia necesaria para calentar el aire, para que éste pueda transferir calor a la carga. El calor transferido al aire esta dado por:

27 Cont. Aplicando el principio de conservación de la energía tenemos:
Donde: T: Temperatura del horno (variable a controlar) [°C] To: Temperatura inicial del horno.

28 Modelo matemático del proceso simulado en Simulink de Matlab.

29 Validación del modelo matemático comparada con la del proceso real.
Para poder usar el modelo matemático propuesto se debe comprobar que la respuesta del mismo sea al menos el 89% aproximado a la planta real. El modelo matemático fue simulado bajo las mismas condiciones de Temperatura del horno. T_inicial = 33.7 T_ambiente = 33.7 El porcentaje de aproximación fue de 95.48%

30 Validación de la respuesta en base al modelo matemático comparada con la del proceso real.
Gráfica Temperatura vs tiempo del proceso modelado y real (MatLab)

31 Obtención de la dinámica general del sistema.
Se logra produciendo un cambio escalón en la entrada del proceso, de tal manera de registrar y analizar su respuesta. Es muy útil aproximar la respuesta del sistema a la respuesta de un sistema de primer orden con retardo de tiempo, de tal manera de obtener la constante de tiempo dominante del sistema.

32 Cont. Se utilizará el método de Smith: Por lo tanto se tiene:
Entonces la constante de tiempo dominante es:

33 Diseño de la señal de Entrada
El diseño de la señal de entrada (señal PRBS), es realizado con el programa Input Design Gui, aplicación realizada en Matlab por Daniel E. Rivera y Martin W. Braun

34 Cont. Para obtener una señal de entrada que sea amigable con la planta, la señal necesita cumplir con los siguientes requerimientos: Ser tan corta como sea posible No llevar a los actuadores a los límites o exceder las restricciones de movimiento. Causar la mínima interrupción a las variables controladas (baja varianza, pequeñas desviaciones del set point).

35 Señal de entrada Como señal de entrada se escogió una señal pseudo aleatoria binaria PRBS, ya que el horno trabaja mediante un sistema de control de lógica cableada (ON/OFF)

36 Cont. Los parámetros para el diseño son: Tiempo de muestreo (T)
Tiempo de conmutación (TSW) Número de registros a desplazar (nr) Duración del ciclo (Ns ; ) Amplitud de la señal

37 Obtención del tiempo de muestreo
Teniendo conocimiento que el proceso se puede modelar como un sistema de primer orden con retardo de tiempo, podemos usar el siguiente criterio para hallar el tiempo de muestreo: Se elige el valor de 100 s.

38 Cont. El tiempo de muestreo elegido cumple con el teorema de Nyquist-Shannon evitando así el “aliasing”.

39 Duración PRBS = (# de ciclos)*(NS)*(TSW)
Diseño de la señal PRBS Duración de la señal = (7)*(4* τDOM)*(1) = s Fijar valor de nr y hallar TSW mediante: Duración PRBS = (# de ciclos)*(NS)*(TSW) TSW debe ser múltiplo del tiempo de muestreo

40 Cont. Verificar que se cumplan los siguientes límites:

41 Cont. Verificar que la banda de frecuencia de interés quede cubierta con la selección de TSW, mediante: Para nuestro caso la frecuencia dominante del sistema es:

42 Cont.

43 Validación de la señal PRBS
Se excita a la planta la señal a validar. Se obtiene y trata los datos. Se analiza si los datos contienen la dinámica de la planta mediante la función CRA. Por último se realiza el análisis de correlación y espectral.

44 Tiempo de conmutación (s)
Señales PRBS Número de registros Número de ciclos Tiempo de conmutación (s) Tiempo de duración (s) Comentarios 8 1 700 178500 Buena aproximación de parámetros. No se estabiliza. 7 1500 190500 Mala aproximación de parámetros. No se estabiliza. Poca ganacia. 6 3000 189000 Buena aproximación de parámetros. Aparente estabilización. Poca ganancia. 5 6200 192200 Buena aproximación. Poco de exceso en la ganancia. Aparente estabilización.

45 Datos entrada-salida con señal PRBS (nr = 5)
Señal PRBS con nr = 5 Datos entrada-salida con señal PRBS (nr = 5)

46 Función cra de datos entrada-salida con señal PRBS (nr = 5)
Cont. Función cra de datos entrada-salida con señal PRBS (nr = 5)

47 Cont. Respuesta del análisis de correlación con señal PRBS (nr = 5)

48 Cont. Respuesta del análisis espectral con señal PRBS (nr = 5)

49 Señal PRBS escogida Señal PRBS escogida

50 Cont. Función de autocorrelación de la señal PRBS

51 Cont. Espectro de potencia de la señal PRBS

52 Obtención y tratamiento de datos.
Simulación de la planta con la señal de entrada PRBS

53 Cont. Respuesta del sistema a la señal de entrada PRBS

54 Cont. Perturbaciones de alta frecuencia en la adquisición de los datos, por encima de las frecuencias de interés del sistema dinámico. Datos erróneos (Bursts y/o outliers ocasionales) Drift, offset y perturbaciones de baja frecuencia, posiblemente de carácter periódico.

55 Cont. Datos de entrada-salida tratados

56 Cont. Datos de entrada-salida destinados a la identificación y validación

57 Método de Identificación Paramétrica

58 Criterios de Validación
Model Output.- Este método consiste en comparar la simulación o predicción de la salida del modelo con la salida del sistema usada para la validación. Model Resids.- La diferencia entre la salida del modelo (utilizando la predicción de un paso hacia adelante) y las salida medida del sistema (datos para la validación).

59 Cont. Model Response.- Este método consiste en graficar la respuesta a una entrada paso y la respuesta de frecuencia del modelo y obtener los parámetros característicos como son el tiempo muerto, la ganancia y la constante de tiempo dominante, para compararlas con las obtenidas de la dinámica general del sistema.

60 Modelo ARX La estructura del modelo ARX es:
Estimaciones ARX de bajo orden son problemáticas en la presencia de ruido significativo y cuando se selecciona una estructura de modelo incorrecta

61 Cont. Aproximaciones de respuestas obtenidas con modelos ARX
ARX[na nb nk] Aproximación arx112 93.73% arx212 93.70% arx312 93.63% arx322 93.67% arx332 93.86% arx342 94.87% arx432 93.75% arx532 93.66% arx542 93.78% Aproximaciones de respuestas obtenidas con modelos ARX ARX[na nb nk] Aproximación arx342 94.87% Modelo ARX escogido

62 Modelo ARX342 Respuesta a una entrada paso ARX342 Respuesta de frecuencia ARX342 Ganancia 162 °C, constante de tiempo dominante 6963 s y la presencia de tiempo muerto. Tiempo muerto 100 s, ganancia 162 °C y constante de tiempo dominante s.

63 Cont. Análisis de residuos ARX342

64 Modelo Armax La estructura del modelo ARMAX es:
La presencia del polinomio autorregresivo puede traer problemas de desvíos en la presencia de ruido significativo y/o errores en la estructura del modelo; sin embargo el polinomio de media movil contrarrestará algunas veces los efectos negativos.

65 Cont. Aproximaciones de respuestas obtenidas con modelos ARMAX
ARMAX[na nb nc nk] Aproximación amx2222 93.64% amx3222 94.82% amx3232 94.93% amx3332 95.03% amx4232 95.01% amx4242 95.02% Aproximaciones de respuestas obtenidas con modelos ARMAX ARMAX[na nb nc nk] Aproximación amx3232 94.93% Modelo ARMAX escogido

66 Modelo AMX3232 Respuesta de frecuencia AMX3232 Respuesta a una entrada paso AMX3232 Ganancia 157 °C, constante de tiempo dominante 6643 s y la presencia de tiempo muerto. Tiempo muerto 100 s, ganancia 158 °C y constante de tiempo dominante 6500 s.

67 Cont. Análisis de residuos ARX342

68 Modelo OE La estructura del modelo OE es:
Parametriza independientemente la entrada y el ruido, sin embargo no se obtiene un modelo de ruido autocorrelacionado

69 Cont. Aproximaciones de respuestas obtenidas con modelos OE
OE[nb nf nk] Aproximación oe122 94.74% oe132 94.73% oe142 94.75% oe222 95.92% oe322 96.01% oe422 93.65% oe432 93.62% Aproximaciones de respuestas obtenidas con modelos OE OE[nb nf nk] Aproximación oe122 94.74% Modelo OE escogido

70 Modelo OE122 Respuesta a una entrada paso OE122 Respuesta de frecuencia OE122 Ganancia 161 °C, constante de tiempo dominante 6643 s y la presencia de tiempo muerto. Tiempo muerto 100 s, ganancia 161 °C y como constante de tiempo dominante 6400 s.

71 Cont. Análisis de residuos OE122

72 Modelo Box Jenkins La estructura del modelo BJ (Box-Jenkins) es:
Parametriza independientemente los modelos de la funcion de transferencia y el ruido; la desventaja es que habrá montones de decisiones y muchas iteraciones que tendrá que hacer el usuario

73 Cont. Aproximaciones de respuestas obtenidas con modelos BJ
BJ[nb nc nd nf nk] Aproximación bj12212 94.34% bj12222 94.57% bj13222 94.58% bj21112 bj22112 bj22222 94.59% bj23222 Aproximaciones de respuestas obtenidas con modelos BJ BJ[nb nc nd nf nk] Aproximación bj12222 94.57% Modelo BJ escogido

74 Modelo BJ12222 Respuesta a una entrada paso BJ12222 Respuesta de frecuencia BJ12222 Tiempo muerto 100 s, ganancia 160 °C y como constante de tiempo dominante 6600 s. Ganancia 161 °C, constante de tiempo dominante 6900 s y la presencia de tiempo muerto.

75 Cont. Análisis de residuos BJ12222

76 Cuadro comparativo de Modelos
Estructura Paramétrica Estructura Escogida Aproximación Comentarios arx[na nb nk] arx342 94.87% Muy buena aproximación con el sistema real. La autocorrelación de los residuos excede los intervalos de confianza armax[na nb nc nk] amx3232 94.93% Muy buena aproximación con el sistema real. La respuesta a una entrada paso presenta una diferencia de 3°C con respecto al sistema real. oe[nb nf nk] oe122 94.74% Muy buena aproximación con el sistema real. El modelo no procura proporciona una estimación al ruido, esto puede tener un efecto negativo al momento de la simulación. bj[nb nc nd nf nk] bj12222 94.57% Muy buena aproximación al modelo real.

77 Modelo Escogido Aplicando el criterio de parsimonia elegimos como modelo de la planta a la estructura Box- Jenkins BJ12222 Teniendo como coeficientes: B(s) = s C(s) = s^ s e-006 D(s) = s^ s e-009 F(s) = s^ s e-006

78 Función de Transferencia
La salida se la puede expresar en tiempo continuo como:

79 Cont. Expresando la función de transferencia entre la entrada y la salida en función de polos y ceros tenemos:

80 Controlador Una de las formas de controlar la temperatura es variando la potencia entregada a las resistencias calefactoras. Un controlador de voltaje ca, con la ayuda de un tiristor conmutador, controla el flujo de potencia variando el valor rms del voltaje ca aplicado a la carga.

81 Cont. Controlador de corriente alterna trifásico bidireccional con carga resistiva en delta. Terminales en la carga accesibles

82 Control Todo o Nada

83 Cont. Para la simulación del interruptor electrónico se tiene la siguiente expresión:

84 Cont. Señal para obtener el control todo o nada del interruptor electrónico

85 Cont. De la figura anteriror se obtiene:
Por lo tanto la relación entre el voltaje de control y la potencia de salida del interruptor electrónico es:

86 Estabilidad del modelo estimado en lazo abierto.

87 Cont. Respuesta de frecuencia

88 Estabilidad del modelo estimado en lazo cerrado.

89 Tipos de controladores
Existen varios tipos de controladores como: On-off, P, PI, PID, etc.

90 Diseño controlador PI Se utilizará la aproximación padé de primer orden para el tiempo muerto por lo tanto la función de transferencia es:

91 Cont. sisotool(0.1*G)

92 Cont.

93 Cont. Se ingresa el valor de cada bloque en la interfaz del sisotool, G es el modelo con el actuador, C es el controlador, F es el valor de referencia y H es el sensor.

94 Cont. %OS = 0 TS = 10600 s eSS = 0.383 TS = 11900 s
Alcanza valor del paso Respuesta a una entrada paso en lazo cerrado Respuesta a una entrada paso con el controlador PI

95 Cont.

96 Cont. La función de transferencia del controlador es:
Donde se puede obtener fácil los parámetros Kp y Ti:

97 Simulación del modelo estimado con controlador PI
La respuesta alcanza el valor del paso (100°C) en un tiempo de aproximadamente s = 3.33 horas.

98 Simulación del Modelo estimado con controlador PI con ruido
Respuesta del modelo estimado continuo (con ruido) con control PI

99 Respuesta ante una perturbación
Respuesta del modelo a una perturbación

100 Perturbación en el Actuador
Respuesta del modelo a una perturbación

101 Variación del Set Point
El controlador logra llevar al sistema al set point elegido siempre y cuando se encuentre en el rango que cumpla con los requisitos del sistema.

102 Validación del Controlador PI en el modelo matemático de la planta
El tiempo de estabilización es aproximadamente s = 2.22 horas

103 Simulación del modelo estimado con controlador PI (Discretizado)

104 Conclusiones Se ha propuesto una metodología en la identificación de sistemas (caja negra), de la cual se han obtenido resultados satisfactorios en cuanto al modelado del sistema y al posterior diseño del controlador. En base a los porcentajes obtenidos y a la función de transferencia del modelo estimado, se concluye que la identificación de sistemas es un método valido y útil para lograr el conocimiento de la dinámica de un sistema o proceso industrial a cualquier entrada.

105 Cont. Los resultados satisfactorios, no justifican el hecho de que la metodología propuesta en esta tesina sea la mejor elección para el diseño de un modelo, esto depende mucho del sistema y de los requerimientos del mismo, para este caso es muy probable que una metodología más sencilla pueda lograr buenos resultados. La metodología propuesta incluye programas implementados en Matlab que contienen las funciones necesarias y recomendadas para realizar el proceso de identificación y el diseño del controlador de forma ágil, lo cual simplifica el manejo matemático.

106 Cont. En base a los conocimientos adquiridos en la realización de este trabajo, se puede decir que los pasos críticos para realizar una buena identificación son la elección del tiempo de muestreo y el diseño de la señal de entrada. La metodología de identificación realizada en esta tesina se orienta a los sistemas lineales invariantes en el tiempo, por lo que se debe tener mucho cuidado al momento de analizar el sistema. Existen métodos de identificación para sistemas no lineales pero están fuera de los objetivos de esta tesina.

107 Cont. El proceso de validación es muy importante al momento de la elección del modelo y del controlador. En cuanto a la validación de los modelos se trataba de llegar a un balance entre los diferentes métodos (análisis de residuos, análisis de las entradas-salidas, salidas- perturbaciones, entre otras), y además se utilizó el criterio de parsimonia. Se debe tener presente que todos los resultados se ha obtenido a partir de simulaciones, al aplicarlo al proceso real se deberán realizar de todas maneras ajustes experimentales

108 Cont. En este trabajo se presenta una introducción a la identificación de sistemas aplicado a un proceso real. La utilización de estos conocimientos para uso industrial debe ser realizado por diseñadores con experiencia, ya que se debe tener mucha paciencia y cuidado a la hora de realizar las pruebas y adquisición de datos, y de igual manera al calcular los valores y hacer los ajustes adecuados que el sistema requiera para el diseño del controlador

109 Recomendaciones Generalmente en textos y artículos académicos se encuentran sugerencias sobre la elección del tiempo de muestreo según el proceso que se quiere identificar, es recomendable tener noción de estas sugerencia que pueden ser de mucha utilidad al momento del proceso de identificación. En este trabajo se utilizó una señal PRBS como señal de entrada, la razón radica en que el horno presenta un accionamiento on/off, se recomienda si se tiene la posibilidad utilizar como señal de entrada una señal multiseno.

110 Cont. Si se tiene la posibilidad de trabajar con el proceso real en lazo abierto es recomendable dejar que el sistema llegue a su punto de equilibrio, y desde este punto aplicar una señal de entrada que produzca un pequeño cambio (en porcentaje) a partir de dicho punto.

111 Cont. Si se llegará a implementar la solución del actuador y controlador continuo en el horno se recomienda realizar un análisis acerca del factor de potencia por la inclusión de los tiristores. Además seria también recomendable dejar uno de los sensores para el control del ventilador de tal manera de asegurarse de tener una temperatura uniforme. Se debe tener un poco de conocimiento sobre el programa Matlab; ya que este cuenta con muchas herramientas de desarrollo, con las que el usuario puede relacionarse y así mostrar los resultados de una manera más técnica.